基于人工智能的神经质瘤的形态分类和分子特征从数字基因病理学数字基因病理学

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 数字病理学数字病理学

背景情况:

• 神经质瘤需要准确的分类和MYCN-放大状态评估治疗.
• 当前的诊断方法可能是劳动密集型和主观的.
• 人工智能为客观和高效的瘤分析提供了潜在的解决方案.

研究的目的:

• 开发和验证一个深度学习模型来分类神经质瘤.
• 评估模型使用整个幻灯片图像预测MYCN放大状态的能力.
• 为了提高准确性,利用基于注意力的多实例学习 (aMIL) 和自我监督学习 (SSL).

主要方法:

• 开发基于注意力的多实例学习 (aMIL) 和自我监督学习 (SSL) 深度学习模型.
• 训练和验证使用最大的报告队列的H&E染色全幻灯片图像用于神经芽细胞瘤.
• 外部数据集验证以确认模型的概括性.

主要成果:

• 人工智能模型在识别诊断类别,等级和线粒分裂 - 脊髓衰退指数 (MKI) 中表现出有希望的表现.
• 该模型通过对MYCN放大状态进行了准确的评估.
• 在外部测试数据集上的验证证实了模型的稳定性.

结论:

• 开发的深度学习模型显示了人工智能辅助神经母细胞瘤分类的巨大潜力.
• 这种人工智能方法可以帮助病理学家客观和高效地诊断神经质瘤.
• 进一步将人工智能纳入数字病理学可能会改善诊断工作流程和患者的治疗结果.